y=f(x1,x2,x3,x4,x5,x6,x7)=100/(|x1+1|+|x2|+|x3-1|+|x4+2|+|x5+3|+|x6-2|+|x7-3|+1),用python编写代码求解函数最小值，要求不使用numpy库，过程运用遗传算法再引入PSO算法思想，

要使用遗传算法和PSO算法求解函数的最小值，可以按照以下步骤进行：

1. 定义适应度函数：根据给定的函数y=f(x1,x2,x3,x4,x5,x6,x7)，将其转化为适应度函数。适应度函数的值越小，表示函数取得最小值的可能性越大。

2. 初始化种群：随机生成一组初始解作为种群，每个解包含x1、x2、x3、x4、x5、x6、x7的值。

3. 遗传算法操作：
- 选择：根据适应度函数的值，选择一部分优秀的个体作为父代。
- 交叉：对父代个体进行交叉操作，生成新的子代个体。
- 变异：对子代个体进行变异操作，引入新的基因。
- 评估：计算子代个体的适应度函数值。

4. PSO算法操作：
- 初始化粒子群：随机生成一组粒子，每个粒子包含x1、x2、x3、x4、x5、x6、x7的值和速度。
- 更新粒子位置和速度：根据当前位置和速度，以及全局最优位置和个体最优位置，更新粒子的位置和速度。
- 评估：计算粒子的适应度函数值。

5. 迭代操作：重复进行遗传算法和PSO算法操作，直到满足停止条件（例如达到最大迭代次数或适应度函数值收敛）。

6. 输出结果：输出最优解对应的x1、x2、x3、x4、x5、x6、x7的值，即为函数的最小值。

下面是使用Python代码实现上述步骤的示例：

import random

# 定义适应度函数
def fitness_function(x1, x2, x3, x4, x5, x6, x7):
    return 100 / (abs(x1 + 1) + abs(x2) + abs(x3 - 2) + abs(x7 - 3) + 1)

# 初始化种群
def initialize_population(population_size):
    population = []
    for _ in range(population_size):
        individual = [random.uniform(-10, 10) for _ in range(7)]  # 随机生成初始解
        population.append(individual)
    return population

# 遗传算法操作
def genetic_algorithm(population):
    # 省略选择、交叉、变异等操作
    # ...

    # 计算适应度函数值
    fitness_values = [fitness_function(*individual) for individual in population]
    return fitness_values

# PSO算法操作
def pso_algorithm(particles):
    # 省略更新粒子位置和速度、计算适应度函数值等操作
    # ...

    # 计算适应度函数值
    fitness_values = [fitness_function(*particle) for particle in particles]
    return fitness_values

# 主函数
def main():
    population_size = 50
    max_iterations = 100

    # 初始化种群
    population = initialize_population(population_size)

    # 迭代操作
    for _ in range(max_iterations):
        # 遗传算法操作
        fitness_values = genetic_algorithm(population)

        # PSO算法操作
        fitness_values = pso_algorithm(population)

        # 更新种群
        # ...

    # 输出结果
    best_individual = population[fitness_values.index(min(fitness_values))]
    print("最小值对应的解：", best_individual)
    print("最小值：", min(fitness_values))

if __name__ == "__main__":
    main()

请注意，以上代码只是一个示例，具体的遗传算法和PSO算法的实现需要根据具体情况进行调整和完善。另外，由于遗传算法和PSO算法都是启发式算法，无法保证找到全局最优解，因此可能需要多次运行以获得更好的结果。